KS325/open-upper-drawer-r1_emp_test

该数据集由LeRobot创建，属于机器人领域。数据集包含2个片段，1707帧，1个任务，数据文件大小为100MB，视频文件大小为200MB，帧率为30fps。数据集结构包括动作、观测状态、图像（来自两个摄像头）、时间戳、帧索引、片段索引、索引和任务索引等特征。动作和观测状态的特征包括肩部平移、肩部提升、肘部弯曲、腕部弯曲、腕部旋转和夹持器的位置。图像特征来自两个摄像头，分辨率为480x640，3通道，视频编解码器为av1，像素格式为yuv420p，无音频。数据集的许可证为apache-2.0。

This dataset was created by LeRobot and belongs to the robotics domain. The dataset contains 2 episodes, 1707 frames, 1 task, with data files size of 100MB and video files size of 200MB, at 30fps. The dataset structure includes features such as action, observation state, images (from two cameras), timestamp, frame index, episode index, index, and task index. The action and observation state features include positions of shoulder pan, shoulder lift, elbow flex, wrist flex, wrist roll, and gripper. The image features are from two cameras with a resolution of 480x640, 3 channels, video codec av1, pixel format yuv420p, and no audio. The dataset is licensed under apache-2.0.

搜集汇总

数据集介绍

构建方式

该数据集依托LeRobot开源框架构建，聚焦于机器人操作任务中的‘拉开上层抽屉’这一特定动作。数据采集过程中，采用‘so_follower’型机器人作为执行器，通过远程操作或预设策略记录其与环境交互的完整历程。数据集以2个独立的episode形式呈现，总计包含1707帧时序数据，所有帧均以30帧/秒的采样频率捕获，并按照chunks_size为1000的规格将数据分块存储于parquet文件中，同时将视觉信息编码为AV1格式的mp4视频保存，从而确保数据的高效组织与后续读取的便捷性。

特点

本数据集最显著的特征在于其多模态与结构化设计。它同时提供了高维视觉输入与低维状态-动作对：两路摄像头（camera1与camera2）以640×480分辨率捕获场景图像，为模仿学习提供丰富的视觉上下文；动作与观测状态均为6维浮点向量，精确描述了肩部、肘部、腕部及夹爪的关节位姿，且两者维度一致，便于构建端到端的控制策略。此外，数据集内嵌了时间戳、帧索引与episode索引等元信息，为时序建模与数据切片提供了原生支持。

使用方法

使用者可通过LeRobot提供的API接口直接加载该数据集，其默认配置指向data/*/*.parquet路径下的全部数据块。在应用层面，研究者可将观测图像与状态向量作为策略网络的输入，以对应的6维动作向量作为监督信号，训练机器人模仿学习模型。数据集已预设训练集划分（前2个episode），并预置了100MB的数据与200MB的视频资源，适合在有限算力环境下快速开展验证实验。推荐结合Hugging Face Spaces上的可视化工具对episode细节进行预览与调试。

背景与挑战

背景概述

该数据集名为open-upper-drawer-r1_emp_test，创建于LeRobot框架下，由研究机构或个人（标识为KS325）发布，专注于机器人操作领域中的抽屉开启任务。核心研究问题在于通过模仿学习使机器人能够自主执行精细的开门动作，从而推动机器人灵巧操作技术的发展。数据集包含两个完整演示片段，总计1707帧，记录了六自由度机械臂在特定场景下的连续运动轨迹及双视角视觉信息。该数据集为机器人行为克隆和技能迁移提供了标准化的训练与测试样本，对促进具身智能在家庭服务场景中的应用具有重要参考价值。

当前挑战

该数据集所解决的领域问题在于机器人精细操作的模仿学习，其挑战在于从有限演示中泛化出鲁棒的操作策略，尤其是面对不同抽屉位置、阻力变化等环境扰动时。构建过程中遇到的挑战包括：确保数据采集的完整性，避免传感器噪声或执行延迟导致的时序错位；高效同步存储高帧率视频与动作轨迹，维持30帧/秒的连续一致性；以及在仅有2个演示片段的小样本条件下，保持动作空间与观测状态的高保真对齐，防止过拟合并提升跨场景适应性。

常用场景

经典使用场景

在机器人操作与模仿学习领域，open-upper-drawer-r1_emp_test数据集专为训练机器人执行上层抽屉开启任务而设计。通过记录“so_follower”机器人在操作过程中关节位置、夹爪状态及双视角视觉影像，该数据集为行为克隆与强化学习算法提供了高保真的专家示范轨迹。其结构紧凑，包含2个完整回合（1707帧），以30帧/秒的速率同步采集6维动作指令与状态观测，并编码为高效AV1格式视频。研究者常将其作为验证机器人精细操作能力的基础基准，用于测试模型在接触式任务中从视觉输入到力矩控制端到端映射的泛化效能。

解决学术问题

该数据集直接回应了机器人学中长期存在的“接触式操作泛化”难题。传统方法在抽屉开启这类需持续调整力与控制策略的任务中，常因几何模型不准或动力学突变而失败。通过提供真实物理环境下的多模态交互数据，它使学术社区能够系统性地量化学习算法在非刚体约束下的鲁棒性，例如评估模型应对抽屉滑轨阻力变化或初始位姿偏移的能力。其标准化格式大幅降低了跨论文对比的复现门槛，推动了从静态抓取向动态交互操作的范式转变，为构建通用家务机器人奠定了关键方法论基础。

衍生相关工作

该数据集衍生出一系列标志性研究方向：在算法层面，催生了结合扩散模型的精细操作策略（如Diffusion Policy的变体）以及融合触觉模拟的递进式训练框架。在数据优化方面，后续工作提出了基于该数据集的跨本体迁移学习方案，通过领域随机化增强从“so_follower”机械臂到其他关节配置机器人的动作泛化。此外，开源社区围绕它开发了动作片段重组与帧间平滑插值的预处理管线，显著提升了小样本场景下的学习效率。这些工作共同构建了一个以抽屉操作为枢纽的学术生态，推动了接触式机器人学习的标准化进程。